趋近智
趋近智
这些实践练习将提供PyTorch安装和基本张量对象的实践经验。它们将巩固对环境配置和执行基本张量操作的理解，这些都是使用PyTorch构建任何深度学习模型的前提条件。
首先，让我们确保PyTorch已正确安装并在你的Python环境中可用。打开你的Python解释器或Jupyter Notebook并运行以下命令：
import torch
import numpy as np # 之后我们将用NumPy进行比较
# 打印PyTorch版本
print(f"PyTorch Version: {torch.__version__}")
# 检查CUDA（GPU支持）是否可用
if torch.cuda.is_available():
print(f"CUDA is available. Device: {torch.cuda.get_device_name(0)}")
# 获取PyTorch将使用的默认设备
device = torch.device("cuda")
else:
print("CUDA not available. Using CPU.")
device = torch.device("cpu")
print(f"Default device: {device}")
执行这段代码可以确认torch库能够被导入并显示其版本。它还会检查GPU的可用性，这对于后续章节中加速计算很重要。如果你有兼容的NVIDIA GPU并且安装了正确的PyTorch版本，应该会看到CUDA被报告为可用。目前，我们将主要使用CPU，但知道如何检查GPU也很重要。
让我们练习使用之前介绍的多种方法创建张量。
1. 从Python列表创建： 从一个嵌套的Python列表创建一个2x3的张量。
# 从Python列表创建张量
data = [[1, 2, 3], [4, 5, 6]]
tensor_from_list = torch.tensor(data)
print("从列表创建的张量：")
print(tensor_from_list)
print(f"形状: {tensor_from_list.shape}")
print(f"数据类型: {tensor_from_list.dtype}") # 通常默认为int64
2. 指定数据类型： 创建相同的张量，但显式地将其数据类型设置为32位浮点数。
# 创建指定数据类型的张量
tensor_float32 = torch.tensor(data, dtype=torch.float32)
print("\nfloat32数据类型的张量：")
print(tensor_float32)
print(f"形状: {tensor_float32.shape}")
print(f"数据类型: {tensor_float32.dtype}")
注意dtype的变化以及数字的表示方式（例如，1. 而不是 1）。
3. 使用工厂函数： 创建具有特定形状和初始值的张量。
# 创建一个3x4的全零张量
zeros_tensor = torch.zeros(3, 4)
print("\n全零张量 (3x4)：")
print(zeros_tensor)
# 创建一个2x2的全一张量，类型为整数
ones_tensor_int = torch.ones(2, 2, dtype=torch.int32)
print("\n全一张量 (2x2, int32)：")
print(ones_tensor_int)
# 创建一个表示数字范围的一维张量
range_tensor = torch.arange(start=0, end=5, step=1) # 类似于Python的range函数
print("\n范围张量 (0到4)：")
print(range_tensor)
# 创建一个包含随机值（0到1均匀分布）的2x3张量
rand_tensor = torch.rand(2, 3)
print("\n随机张量 (2x3)：")
print(rand_tensor)
这些工厂函数便于初始化张量，无需使用像列表这样的预先存在的数据结构。
现在，让我们对已创建的张量执行一些基本操作。
# 使用之前创建的float32张量
a = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
b = torch.ones(2, 2) # 默认为float32
print("张量 'a'：")
print(a)
print("张量 'b'：")
print(b)
# 元素级加法
sum_tensor = a + b
# 另一种写法：sum_tensor = torch.add(a, b)
print("\n元素级和 (a + b)：")
print(sum_tensor)
# 元素级乘法
prod_tensor = a * b
# 另一种写法：prod_tensor = torch.mul(a, b)
print("\n元素级积 (a * b)：")
print(prod_tensor)
# 标量乘法
scalar_mult = a * 3
print("\n标量乘法 (a * 3)：")
print(scalar_mult)
# 就地加法（修改张量'a'）
print(f"\n就地加法前 'a'：ID {id(a)}")
a.add_(b) # 注意就地操作的下划线后缀
print("就地加法后 'a' (a.add_(b))：")
print(a)
print(f"就地加法后 'a'：ID {id(a)}") # ID保持不变
# 矩阵乘法
# 确保维度兼容矩阵乘法
# 让我们创建兼容的张量：x (2x3), y (3x2)
x = torch.rand(2, 3)
y = torch.rand(3, 2)
matmul_result = torch.matmul(x, y)
# 另一种写法：matmul_result = x @ y
print("\n矩阵乘法 (x @ y)：")
print(f"张量 x 的形状: {x.shape}, 张量 y 的形状: {y.shape}")
print(f"结果形状: {matmul_result.shape}")
print(matmul_result)
请注意元素级操作（如+、*）与矩阵乘法（torch.matmul或@）之间的区别。此外，还要注意就地操作（如add_）如何直接修改张量，而不创建新对象。
PyTorch与NumPy良好配合。让我们练习在NumPy数组和PyTorch张量之间进行转换。
# 1. NumPy数组到PyTorch张量
numpy_array = np.array([[1.0, 2.0], [3.0, 4.0]])
print("\nNumPy数组：")
print(numpy_array)
print(f"类型: {type(numpy_array)}")
# 转换为PyTorch张量
tensor_from_numpy = torch.from_numpy(numpy_array)
print("\n从NumPy数组创建的张量：")
print(tensor_from_numpy)
print(f"类型: {type(tensor_from_numpy)}")
# 重要提示：在CPU上，torch.from_numpy与NumPy数组共享内存
# 修改其中一个会影响另一个
numpy_array[0, 0] = 99.0
print("\n修改后的NumPy数组：")
print(numpy_array)
print("修改NumPy数组后的张量（共享内存）：")
print(tensor_from_numpy)
# 2. PyTorch张量到NumPy数组
# 让我们使用不同的张量，以避免之前的修改
another_tensor = torch.tensor([[5, 6], [7, 8]], dtype=torch.float64)
print("\n另一个PyTorch张量：")
print(another_tensor)
# 转换为NumPy数组
numpy_from_tensor = another_tensor.numpy()
print("\n从张量创建的NumPy数组：")
print(numpy_from_tensor)
print(f"类型: {type(numpy_from_tensor)}")
# 同样，在CPU上内存是共享的
another_tensor[1, 1] = 100.0
print("\n修改后的张量：")
print(another_tensor)
print("修改张量后的NumPy数组（共享内存）：")
print(numpy_from_tensor)
NumPy数组和CPU张量之间的这种内存共享行为效率高，但需要谨慎处理，因为可能会发生意外修改。如果你需要一个独立的副本，可以在转换之前使用张量的.clone()方法，或者使用标准的Python/NumPy复制机制。
本实践环节涵盖了验证你的配置、以多种方式创建张量、执行基本的算术和矩阵操作，以及在PyTorch张量和NumPy数组之间进行转换。掌握这些基础知识很重要，因为我们将在后续章节转向自动微分和构建神经网络模块等更复杂的主题。
这部分内容有帮助吗？
© 2026 ApX Machine Learning用心打造